Automatická klasifikace dokumentů do tříd za použití metody Itemsets
|
|
- Milena Tesařová
- před 8 lety
- Počet zobrazení:
Transkript
1 Automatcká klasfkace dokumentů do tříd za použtí metody Itemsets Jří HYNEK 1, Karel JEŽEK 2 1 nsite, s.r.o., Knowledge Management Integrator Rubešova 29, Plzeň r.hynek@nste.cz 2 Katedra nformatky a výpočetní technky, ZČU Plzeň Unverztní 22, Plzeň ezek_ka@kv.zcu.cz Abstrakt. Motvací pro vznk této metody e snaha o automatzac časově náročné klasfkace dokumentů v rámc dgtální knhovny. Navrhovaná původní metoda e založena na množnách položek (temsets), čímž rozšřue tradční oblast aplkace Apror algortmu, který e v našem případě využt pouze pro generování vstupních dat. Je vhodná zeména pro automatckou klasfkac krátkých dokumentů (abstraktů, anotací), ve kterých nelze předpokládat opakování slov opravňuící použtí metod založených na četnost výskytu termů v dokumentu (metody TF IF). Příspěvek prezentue základní prncpy metody a výsledky dosažené v prax. Vysoká úspěšnost algortmu dovolue reálné nasazení této metody v komerčním prostředí. Metoda Itemsets e určena k ntegrac do rozsáhlého nformačního systému podnku Západočeská energetka, a.s. Klíčová slova: temset, množna položek, klasfkace, Apror algortmus, podobnost dokumentů, elektroncká knhovna, dgtální knhovna 1 Úvod - stručně o dgtální knhovně Vytvoření dgtální knhovny e fnančně časově nákladný úkol. Zařazované publkace sou vesměs chráněny autorským právem a e nutné platt za ech použtí. Jelkož abstrakty odborných článků sou obvykle na webu volně přístupné, případně e lze vytvořt, e možné levně vytvářet knhovnu abstraktů. Podle ech obsahu pak užvatelé knhovny žádaí o zakoupení plného textu. gtální knhovna použtá př mplementac navrhovaného klasfkátoru e reálnou knhovnou nasazenou v komerčním prostředí. Specalzue se na odborné články z oblast elektroenergetky a trhu s elektrckou energí. Pro srovnání s ným metodam byla použta kolekce Reuters-21578, celosvětově honě využívaná pro testování klasfkačních algortmů. Testovaná česká kolekce Reuters vykazuí stou podobnost, zeména v průměrné velkost zařazovaných dokumentů. Tento parametr e pro nasazení metody temsets nevýznamněší. Hynek, Ježek: ATAKON 2001, Brno, , pp. XXXX.
2 2 J. Hynek, K. Ježek: Automatcká klasfkace dokumentů Uspořádání témat v české knhovně odpovídá organzační struktuře užvatele knhovny a nebylo zvoleno tak, aby se automatcká klasfkace dokumentů usnadnla. Některé tematcké okruhy byly do knhovny doplňovány za běhu podle potřeby a dříve začleněné dokumenty ž nebyly zpětně přeřazovány. Tato skutečnost degradue konečnou kvaltu klasfkace, neboť do fáze učení klasfkátoru se zanáší nepřesnost. Př mplementac techncké knhovny se vycházelo z třívrstvé archtektury s tenkým klentem (obvyklý webový prohlížeč), aplkačním serverem (webový server Apache, skrpty v azyce PHP) a databázovým serverem (MySQL). 2 Klasfkace metodou Itemsets 2.1 Apror algortmus Apror algortmus využíváme pouze pro generování vstupních dat pro klasfkátor. Vlastní klasfkační metoda Itemsets e původní. Apror algortmus (Agrawal a kol.) představue účnnou metodu dolování znalostí ve formě asocačních pravdel [2]. Stručný pops uvádíme v [3] a [4]. Jeho praktcké využtí spatřueme v oblast kategorzace dokumentů. Původní Apror algortmus se aplkue na transakční databáze nákupních košů na trhu. Naší obdobou této databáze e pak množna dokumentů reprezentovaných množnam významových termů. V souladu s obvyklou termnologí budeme termy značt ako položky a množny termů ako množny položek (temsets). Apror vlastnost e základem procedury pro efektvní generování kanddátních množn položek. Označme T množnu klasfkačních tříd, Ç k množnu kanddátních k- množn položek a F k množnu častých k-množn položek. Generování F k z Ç k a potažmo F k-1 popsue následuící algortmus: // Pro 1-temsety : Ç 1 := všechna významová slova; F 1 := ; for Π Ç 1 do for t T do f (podpora Π e ve třídě t větší než daný mnmální práh) then begn přde Π do F 1 break; // další třídy není nutno zkoumat // Pro k-temsety, kde k 2: for Π F k-1 do for Π F k-1, Π Π do f shoda(prvních k-2 položek v Π a Π ) poslední položky se lší then begn c := Π on Π ; // nutno zastt častost všech podmnožn: f ( podmnožna s, s c maící k-1 prvků, kde s F k-1 ) then break; // c patří do Ç k, nyní nutno prověřt častost kanddáta: else for t m T do
3 Automatcká klasfkace dokumentů 3 f (podpora c e ve třídě t m větší než daný mnmální práh) then begn přde c do F k ; break; 2.2 Termnologe V rámc tohoto článku budeme vycházet z následuící notace: Π Množna (častých) položek Π Množna dokumentů obsahuících Π T Téma (klasfkační třída) Π Počet dokumentů obsahuících Π okument T Množna dokumentů zařazených do tématu Množna významových termů obsažených v dokumentu T Počet dokumentů zařazených do tématu T L Počet tematckých okruhů C Soubor množn položek charakterzuících téma T N Počet častých množn položek o mohutnost C Počet množn položek charakterzuících téma T Na základě výše popsaného Apror algortmu defnueme časté množny položek různé mohutnost. Pro ednce: Π 1, Π 2,, Π N1, pro dvoce: Π N1+1, Π N1+2,, Π N1+ N2, pro troce: Π N1+N2+1, Π N1+N2+2,, Π N1+N2+N3 atd. T 2.3 Úloha klasfkace Úlohu klasfkace lze rozdělt na dvě část: fáze učení a fáze vlastní klasfkace. Fáze učení probíhá v následuících krocích: (1) Nadefnování herarche (stromu) tematckých oblastí provádí odborník na danou problematku. Nadefnue se L klasfkačních tříd (L odpovídá počtu lstových témat). (2) Ruční zařazení určtého počtu dokumentů do témat odborníkem. Jným slovy, pro každou třídu klasfkace defnueme klasfkační atrbuty (trénovací množnu dat). Odborník kategorzue všechny trénovací dokumenty, které má k dspozc. o každého tematckého okruhu by měl spadat statstcky významný počet dokumentů. (3) Automatcké vytvoření charakterstckých množn položek pro každý tematcký okruh. Během vlastní klasfkace využíváme charakterstckých množn položek k zařazování dokumentů do příslušných témat. 2.4 Fáze metody Itemsets Fáze učení: Pro každou množnu častých položek Π můžeme zstt reprezentatvní množnu dokumentů obsahuících Π. Označme tuto množnu dokumentů ako Π. Je patrné, že mohutnost Π bude vyšší než stá prahová hodnota, neboť množna Π byla vybrána ako častá. Množně Π 1 odpovídá množna Π 1, Π 2 odpovídá množna Π 2, atd. Pracuemel pouze s edncem, dvocem, trocem a čtveřcem, vytvoříme celkem N1 + N2 + N3 + N4 množn dokumentů.
4 4 J. Hynek, K. Ježek: Automatcká klasfkace dokumentů Analogcky, pro každé téma T exstue charakterstcká množna dokumentů zařazených do tohoto tématu. Označme tuto množnu ako T. Tématu T 1 odpovídá množna T 1, tématu T 2 pak množna T 2, atd. Celkem vytvoříme L množn dokumentů. Naším úkolem e stanovt určtý soubor charakterstckých množn položek pro každý tematcký okruh, přčemž každá množna položek e asocována s podmnožnou množny všech témat. Množna položek Π e asocována s těm tématy T, kde hodnoty váhy w Π přesahuí určenou prahovou hodnotu (tato váha vyadřue, do aké míry množna Π charakterzue třídu T ). Jako efektvní se ukázal následuící výpočet kvaltatvní váhy w Π : Π T wπ = = 1,2,..., T [ 1 + Π Π T ] Jmenovatel vzorce normalzue váhy s ohledem na počet dokumentů patřících do témat T a také s ohledem na to, zda se množna položek nevyskytue přílš často také v ných tématech. ůležtost termů, které se často vyskytuí v ných dokumentech než T, e tak potlačena (pozornost neunkne analoge s prncpem metody TF IF). Původně sme k výpočtu w Π používal vzorec ve tvaru Π T wπ = =1,2,..., L T Tento vztah udává podporu množny položek ve třídě, t. hodnotu udávaící v kolka procentech dokumentů třídy se množna položek vyskytue. Tento fakt však nak nezohledňue skutečnost, že množna položek se může často vyskytovat v ostatních třídách. Pokud by se množna položek stala charakterstckou pro všechny třídy, nepředstavue eí výskyt v dokumentu pro nás žádnou nformační hodnotu a na klasfkac se může proevt spíše nepříznvě. Vzhledem k blízkost tematckých okruhů neumožňovaly v tomto případě množny položek vyhovuící rozlšení. Například významový term energe se vzhledem k charakteru české knhovny vyskytue ve více než 1/3 všech dokumentů a e tedy asocován s poměrně velkým počtem tematckých okruhů. Potažmo časté k-tce obsahuící tento term spadaí do velkého počtu témat, a tudíž přnášeí do klasfkátoru en velm malou nformační hodnotu. Po asocac množn položek s konkrétním tématy na základě výše uvedeného vzorce získáme soubory množn položek C reprezentuící konkrétní téma T. Fáze klasfkace: Př klasfkac dokumentů musíme brát do úvahy mohutnost množn položek, abychom rozlšl např. shodu ve dvocích od shody ve trocích, neboť statstcká významnost těchto množn e různá. Za tímto účelem defnueme váhový faktor odpovídaící mohutnost množny položek. Pro ednce použeme wf 1, pro dvoce wf 2, pro troce wf 3, atd. Nyní můžeme přstoupt k zařazování dokumentu do tematckých okruhů. Předpokládeme, že soubor C obsahue položky Π 1, Π 2,, Π C. Vypočteme váhu odpovídaící přesnost asocace dokumentu s tématem T : W T = C = 1 wf w Π Π kde ( Π Π C ) ( ) pro všechna = 1, 2,..., L
5 Automatcká klasfkace dokumentů 5 Jným slovy, váha klasfkace e určena součtem součnů vah w Π s váhovým faktory wf Π pro všechny množny položek daného tématu, které sou zároveň obsaženy v zařazovaném dokumentu. ůsledkem použtí w Π e zdůraznění takových množn položek, které téma T charakterzuí nelépe. okument bude zařazen do tématu T, emuž odpovídá nevyšší váha W. T Můžeme přrozeně chtít asocovat dokument s větším počtem témat. V takovém případě zařadíme dokument do všech tříd, pro které váha W přesáhne θ % T maxmální dosažené W (t. θ % váhy pro třídu, do které dokument spadá nelépe). T Jako efektvní se ukázala volba θ = 75 (vz výsledky). S rostoucí hodnotou θ klesá přesnost klasfkace, úplnost naopak roste. Měníme-l dynamcky hodnotu parametru θ, přesnost a úplnost se vždy pohybuí opačným směrem. 2.5 Modfkace metody posuvné okénko Jak sme ž uvedl, metoda nezohledňue frekvenc výskytu množn položek v dokumentu. Podstatné e pouze to, zda se množna položek v dokumentu vůbec vyskytue. Jednotlvé položky které tvoří víceprvkové množny položek, se navíc nemuseí vyskytovat vedle sebe. Nemusí tvořt skutečnou fráz, č slovní spoení, ale stačí pouze fakt, že se společně vyskytuí dostatečně často v dokumentech některé třídy. Tato volnost př hledání častých množn položek má své opodstatnění, neboť naším zámem není hledat fráze, ale skutečně pouze množny společně se vyskytuících termů. I přes tento fakt e vhodné ověřt, ak se bude metoda chovat v případě, kdy omezíme vzdálenost mez ednotlvým termy tvořícím víceprvkovou množnu položek. o mplementace metody bylo přdáno restrktvní opatření zašťuící akceptac pouze těch k-množn položek (pro k 2), které se vyskytuí v rámc okénka (angl. sldng wndow). Rozměr okénka e nastavtelný, a e tedy možné nastavt v akém rozpětí se může množna položek vyskytnout, aby byla eště akceptována. Pokud nastavíme př hledání dvoc rozměr okénka roven dvěma, nebo př hledání troc roven třem, atd., budou se akceptovat pouze množny položek složené z termů, ež se vyskytuí vedle sebe. Nastavíme-l rozměry okénka na přílš vysokou hodnotu (věší nebo rovnou délce nedelšího dokumentu), bude se metoda chovat steně ako v případě, kdy se žádné okénko neuvažue. Níže uvedený algortmus popsue kontrolu výskytu množny položek v rámc okénka uvntř dokumentu. Uvažueme zde fakt, že můžeme určt pozc termu v dokumentu. Pozce udává pořadí konkrétního slova v rámc dokumentu. okument vždy začíná slovem s pozcí 1 a končí slovem s pozcí rovnou délce dokumentu. nalezn první výskyty všech termů tvořících množny položek uvntř dokumentu; whle (1) begn MIN := pozce termu s nenžší pozcí; MAX := pozce termu s nevyšší pozcí; f ((MAX MIN) < VELIKOST_OKÉNKA) return 1; // OK množna položek se vyskytue v rámc okénka else begn nalezn další výskyt termu s nenžší pozcí;
6 6 J. Hynek, K. Ježek: Automatcká klasfkace dokumentů f (další výskyt ž není) return 0; // množna položek se v rámc okénka nevyskytue Př vlastní realzac sme mplementoval složtěší verz algortmu, která umožňue specfkovat kolk výskytů množny položek se musí v dokumentu v rámc okénka nalézt, aby byl eí výskyt akceptován. Zpracovávané dokumenty sou však tak krátké, že není vhodné s vícenásobný výskyt množny položek v dokumentu vynucovat. 3 Složtost algortmu Hodnocení časové a paměťové náročnost klasfkace na datové kolekc Reuters ( dokumentů, 10 vhodných tříd) se odvíí od testů uvedených v závěru článku, kde porovnáváme ednotlvé metody mez sebou. Nandexování textové kolekce Reuters před natrénováním vyžadue 23,8 MB RAM a přblžně 15 sekund. Natrénování klasfkátoru s vyžádá necelých 10 MB RAM a 10 sekund, vlastní klasfkace cca 5 MB RAM a 8 sekund. Lze tedy počítat s časem v řádu sekund na natrénování edné třídy (v konfgurac PII-466, OS Wndows 98). Spolehlvé natrénování tohoto obemu dat př generování 2-množn položek nebo větších vyžadue alespoň 128 MB RAM. oba výpočtu př použtí Apror algortmu e do značné míry závslá na prahové hodnotě pro výběr častých množn položek. S narůstaící mohutností častých množn položek rostou časové nároky. Je to způsobeno kombnováním množn položek nžší mohutnost ve smyslu Apror algortmu. 4 Vyhodnocení a porovnání s ným metodam klasfkace Následuící tabulka shrnue výsledky klasfkátoru dosažené na kolekc Reuters Parametr mnmální počet dokumentů ve třídě byl nastaven na 50. Pro každou třídu se používá pevný počet charakterstckých n-tc. PC1 (Práh asocace charakterstckého termu) Každou třídu může charakterzovat pouze několk termů s nelepší váhou. Term bude uvažován ako charakterstcký pro třídu tehdy, nabývá-l příslušná váha (míra s akou e třída slovem charakterzována) hodnoty alespoň PC1 procent nevyšší dosažené váhy. MP (mn. počet dokumentů třídy s výskytem termu) Term bude považován za častý, pokud se vyskytue alespoň v MP procentech dokumentů něaké třídy. PAT (práh asocace třídy) okument zařadíme do všech tříd, pro které vypočtená váha W přesáhne PAT % maxmální dosažené T W (t. PAT % váhy T pro třídu, do které dokument spadá nelépe). P trn, R trn, Q trn, M trn přesnost, úplnost, ech průměr a počet dokumentů, ež se musí klasfkovat ručně př klasfkac trénovacích dokumentů. P tst, R tst, Q tst, M tst přesnost, úplnost, ech průměr a počet dokumentů, ež se musí klasfkovat ručně př klasfkac testovacích dokumentů
7 Automatcká klasfkace dokumentů 7 PC1 MP PAT P trn R trn Q trn M trn R tst Q tst M tst [%] [%] [%] [%] [%] [%] [%] [%] [%] [%] ,79 95,37 92,08 1,64 85,59 93,52 89,56 2, ,15 92,29 91,72 1,64 89,05 90,46 89,75 2, ,36 89,26 90,81 1,64 90,21 87,70 88,96 2, ,93 96,15 89,54 0,00 82,33 95,43 88,88 0, ,18 91,63 89,90 0,00 87,86 91,58 89,72 0, ,36 86,68 88,02 0,00 90,13 87,88 89,01 0, ,20 94,09 86,64 0,00 79,09 94,85 86,97 0, ,83 89,72 87,27 0,00 84,87 91,15 88,01 0, ,69 86,54 87,11 0,00 86,82 85,78 86,30 0, ,08 97,48 92,28 0,00 84,03 95,79 89,91 0, ,07 94,11 93,09 0,00 90,03 93,18 91,61 0, ,01 90,25 91,63 0,00 91,75 89,48 90,61 0, ,01 97,03 89,52 0,00 80,90 95,86 88,38 0, ,54 93,29 90,92 0,00 88,49 92,24 90,36 0, ,54 87,93 89,24 0,00 90,08 88,32 89,20 0, ,19 94,47 86,83 0,00 78,85 94,99 86,92 0, ,87 89,68 87,28 0,00 85,18 91,22 88,20 0, ,94 86,75 87,35 0,00 87,08 85,99 86,54 0,00 Rekordní hodnotou ( P a R) dosaženou př dalším ladění parametrů bylo 96,59 %. V tomto případě byly však klasfkovány výhradně dokumenty v předchozím použté pro natrénování, navíc ve 47 % případů nenalezl algortmus žádnou třídu, t. prác nechal na knhovníkov 1. Uvažueme-l radě praktcky využtelné výsledky, t. klasfkuí se nově příchozí dokumenty nepoužté k natrénování a knhovník nezasahue vůbec (pro nás prorta), dosáhl sme stále vynkaících 91,61 % (P = 90,03 %, R = 93,18 %). Jakýkol další malý nárůst P a R vede k výraznému nárůstu počtu dokumentů, ež e nutno zařadt ručně. Pro porovnání s ným metodam sme využl výsledky uvedené v lteratuře [2], kde se k testování různých klasfkátorů využívá též kolekce Reuters Porovnávané metody využívaí dokumentů, které byly klasfkovány do 118 tříd, přčemž výsledky se uvádí en pro 10 nevětších (obsahuí téměř 75 % všech dokumentů). Proto sme steně ako ostatní autoř použl en třídy obsahuící alespoň určtý počet dokumentů - v tomto případě 180 ks, přčemž rozsah mohutnost ednotlvých tříd čnl 212 až dokumentů. okumenty sme rozděll na trénovací a testovací v poměru 3:1, steně ako u porovnávaných metod. Klasfkační Itemsets NBayes BayesNets Lnear SVM metoda P a R 91, ,50 85,00 92,00 P tst 1 Průměr P a R zde přrozeně nezahrnue ty dokumenty, které systém nebyl schopen automatcky zařadt. Parametry vedoucí k dosažení tohoto výsledku pro stručnost neuvádíme, neboť výsledek není praktcky využtelný. 2 Testueme-l klasfkátor na dokumentech použtých k natrénování, dosahueme hodnoty (P+R)/2 = 91,90 %.
8 8 J. Hynek, K. Ježek: Automatcká klasfkace dokumentů 5 Závěr Malá průměrná délka dokumentů (abstraktů) by v případě metod typu TF IF čnla klasfkátoru problémy, v našem případě e naopak prospěšná. Př klasfkac se totž nevychází z opakování výskytu termů, avšak ze současného výskytu určtých dvoc, troc (obecně n-tc) termů, které se použí ako charakterstcké. S rostoucí délkou dokumentů by se pouze zavlékaly další obecné termy, které právě pro svo obecnost nelze chápat ako charakterstcké pro třídu, do které byl dokument ručně zařazen. Z dosažených výsledků e zřemé, že vysoká úspěšnost klasfkátoru dovolue eho nasazení v reálném prostředí. Časové výkonové nároky algortmu sou velm rozumné, přčemž k čerpání absolutní většny výpočetních zdroů dochází ve fáz učení, která může probíhat off-lne. Vlastní klasfkace e nesmírně rychlá. alší výzkum bude zaměřen na automatckou tvorbu anotací k odborným článkům, volbu parametrů s dopady na úspěšnost klasfkace (délka dokumentů, obem trénovacích dat, velkost tříd), modfkac navního Bayesova klasfkátoru o prvky metody Itemsets a rovněž využtí zde popsované metody Itemsets ke shlukování dokumentů. Lteratura 1. Agrawal et al.: Advances n Knowledge scovery and ata Mnng, MIT Press 1996, umas S., Platt J., Heckerman., Saham M.: Inductve Learnng Algorthms and Representatons for Text Categorzaton, CIKM 98, Bethesda M, U.S.A. 3. Hynek J., Ježek K., Rohlík O.: Short ocument Categorzaton Itemsets Method sborník meznárodní konference PK 2000, Lyon France, září Hynek J., Ježek K.: ocument Classfcaton Usng Itemsets sborník meznárodní konference MOSIS 2000, Rožnov pod Radhoštěm, květen Mladenc., Grobelnk M.: Word Sequences as Features n Text Learnng, Proc. Seventh Electrotechncal and Computer Scence Conf. (ERK 98), IEEE Regon 8, Slovena Secton IEEE, 1998, pp Příspěvek vznkl za částečné podpory výzkumného záměru MSM Annotaton: Automatc ocument Classfcaton Usng Itemsets The essental pont of ths paper s to develop a method for automatng tme-consumng document classfcaton n a dgtal lbrary. The orgnal method proposed n ths paper s based on temsets, extendng tradtonal applcaton of the Apror algorthm. It s sutable for automatc classfcaton of short documents (abstracts, summares) mpedng usage of repeated occurrence of terms, such as n term-frequency-based methods. The paper presents basc prncples of ths method as well as results of ts practcal use. Hgh success rate of the classfcaton algorthm allows ts usage n real-lfe envronment. The method wll become an ntegral part of the nformaton system of a regonal utlty company.
PROBLEMATIKA INTELIGENTNÍHO AUTOMATICKÉHO
PROBLEMATIKA INTELIGENTNÍHO AUTOMATICKÉHO MAPOVÁNÍ WEBOVÝCH STRÁNEK ŘIMNÁČ MARTIN 1, ŠUSTA RICHARD 2, ŽIVNŮSTKA JIŘÍ 3 Katedra řídcí technky, ČVUT-FEL, Techncká 2, Praha 6, tel. +42 224 357 359, fax. +
VíceEKONOMICKO-MATEMATICKÉ METODY
. přednáška EKONOMICKO-MATEMATICKÉ METODY Ekonomcko matematcké metody (též se užívá název operační analýza) sou metody s matematckým základem, využívané především v ekonomcké oblast, v oblast řízení a
VíceMetody vícekriteriálního hodnocení variant a jejich využití při výběru produktu finanční instituce
. meznárodní konference Řízení a modelování fnančních rzk Ostrava VŠB-TU Ostrava, Ekonomcká fakulta, katedra Fnancí 8. - 9. září 200 Metody vícekrterálního hodnocení varant a ech využtí př výběru produktu
VíceVícekriteriální rozhodování. Typy kritérií
Vícekrterální rozhodování Zabývá se hodnocením varant podle několka krtérí, přčemž varanta hodnocená podle ednoho krtéra zpravdla nebývá nelépe hodnocená podle krtéra ného. Metody vícekrterálního rozhodování
Více1. Nejkratší cesta v grafu
08. Nekratší cesty. Úloha obchodního cestuícího. Heurstky a aproxmační algortmy. Metoda dynamckého programování. Problém batohu. Pseudopolynomální algortmy 1. Nekratší cesta v grafu - sled e lbovolná posloupnost
VíceSÍŤOVÁ ANALÝZA. Základní pojmy síťové analýzy. u,. Sjednocením množin { u, u,..., 2. nazýváme grafem G.
SÍŤOVÁ ANALÝZA Využívá grafcko-analytcké metody pro plánování, řízení a kontrolu složtých návazných procesů. yto procesy se daí rozložt na dílčí a organzačně spolu souvseící čnnost. yto procesy se nazývaí
VíceŘEŠENÍ PROBLÉMU LOKALIZACE A ALOKACE LOGISTICKÝCH OBJEKTŮ POMOCÍ PROGRAMOVÉHO SYSTÉMU MATLAB. Vladimír Hanta 1, Ivan Gros 2
ŘEŠENÍ PROBLÉMU LOKALIZACE A ALOKACE LOGISTICKÝCH OBJEKTŮ POMOCÍ PROGRAMOVÉHO SYSTÉMU MATLAB Vladmír Hanta 1 Ivan Gros 2 Vysoká škola chemcko-technologcká Praha 1 Ústav počítačové a řídcí technky 2 Ústav
VíceVyužití logistické regrese pro hodnocení omaku
Využtí logstcké regrese pro hodnocení omaku Vladmír Bazík Úvod Jedním z prmárních proevů textlí e omak. Jedná se o poct který vyvolá textle př kontaktu s pokožkou. Je to ntegrální psychofyzkální vlastnost
VíceIterační výpočty. Dokumentace k projektu pro předměty IZP a IUS. 22. listopadu projekt č. 2
Dokumentace k projektu pro předměty IZP a IUS Iterační výpočty projekt č.. lstopadu 1 Autor: Mlan Setler, setl1@stud.ft.vutbr.cz Fakulta Informačních Technologí Vysoké Učení Techncké v Brně Obsah 1 Úvod...
VíceAPLIKACE MATEMATICKÉHO PROGRAMOVÁNÍ PŘI NÁVRHU STRUKTURY DISTRIBUČNÍHO SYSTÉMU
APLIKACE MATEMATICKÉHO PROGRAMOVÁNÍ PŘI NÁVRHU STRUKTURY DISTRIBUČNÍHO SYSTÉMU APPLICATION OF MATHEMATICAL PROGRAMMING IN DESIGNING THE STRUCTURE OF THE DISTRIBUTION SYSTEM Martn Ivan 1 Anotace: Prezentovaný
VíceVYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE. 2013 Radka Luštincová
VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY BAKALÁŘSKÁ PRÁCE 2013 Radka Luštncová VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE FAKULTA INFORMATIKY A STATISTIKY Název bakalářské práce: Aplkace řezných
VíceKlasifikace a predikce. Roman LUKÁŠ
1/28 Klasfkace a predkce Roman LUKÁŠ 2/28 Základní pomy Klasfkace = zařazení daného obektu do sté skupny na základě eho vlastností Dvě fáze klasfkace: I. Na základě trénovacích vzorů (u nchž víme, do aké
VíceČASOVÁ KOORDINACE SPOJŮ VEŘEJNÉ HROMADNÉ DOPRAVY NA ÚSECÍCH DOPRAVNÍ SÍTĚ
ČASOVÁ KOORDINACE SPOJŮ VEŘEJNÉ HROMADNÉ DOPRAVY NA ÚSECÍCH DOPRAVNÍ SÍTĚ THE TIME COORDINATION OF PUBLIC MASS TRANSPORT ON SECTIONS OF THE TRANSPORT NETWORK Petr Kozel 1 Anotace: Předložený příspěvek
VíceObsah přednášky 1. Bayesův teorém 6. Naivní Bayesovský klasifikátor (NBK)
Obsah přednášky 1. Bayesův teorém 2. Brutální Bayesovský klasfkátor (BBK) 3. Mamální aposterorní pravděpodobnost (MA) 4. Optmální Bayesovský klasfkátor (OBK) 5. Gbbsův alortmus (GA) 6. Navní Bayesovský
VícePOROVNÁNÍ MEZI SKUPINAMI
POROVNÁNÍ MEZI SKUPINAMI Potřeba porovnání počtů mez určtým skupnam jednců např. porovnání počtů onemocnění mez kraj nebo okresy v prax se obvykle pracuje s porovnáním na 100.000 osob. Stuace ale nebývá
VíceLokace odbavovacího centra nákladní pokladny pro víkendový provoz
Markéta Brázdová 1 Lokace odbavovacího centra nákladní pokladny pro víkendový provoz Klíčová slova: odbavování záslek, centrum grafu, vážená excentrcta vrcholů sítě, časová náročnost odbavení záslky, vážená
Více2. Posouzení efektivnosti investice do malé vtrné elektrárny
2. Posouzení efektvnost nvestce do malé vtrné elektrárny Cíle úlohy: Posoudt ekonomckou výhodnost proektu malé vtrné elektrárny pomocí základních metod hodnocení efektvnost nvestních proekt ako sou metoda
VíceMANAŽERSKÉ ROZHODOVÁNÍ
MANAŽERSKÉ ROZHODOVÁNÍ Téma 14 POSUZOVÁNÍ A HODNOCENÍ VARIANT doc. Ing. Monka MOTYČKOVÁ (Grasseová), Ph.D. Unverzta obrany Fakulta ekonomka a managementu Katedra voenského managementu a taktky Kouncova
VíceANALÝZA ROZPTYLU (Analysis of Variance ANOVA)
NLÝZ OZPYLU (nalyss of Varance NOV) Používá se buď ako samostatná technka, nebo ako postup, umožňuící analýzu zdroů varablty v lneární regres. Př. použtí: k porovnání středních hodnot (průměrů) více než
VíceRozšíření bag-of-words modelu dokumentu: srovnání bigramů a 2-itemsetů
Rozšíření bag-of-words modelu dokumentu: srovnání bgramů a 2-temsetů Roman Tesař 1, Massmo Poeso 2, Václav Strnad 1, Karel Ježek 1 1 Katedra Informatky a výpočetní technky, Západočeská Unverzta v Plzn,
VíceSoftwarová podpora matematických metod v ekonomice a řízení
Softwarová podpora matematckých metod v ekonomce a řízení Petr Sed a Opava 2013 Hrazeno z prostředků proektu OPVK CZ.1.07/2.2.00/15.0174 Inovace bakalářských studních oborů se zaměřením na spoluprác s
VíceMonte Carlo metody Josef Pelikán CGG MFF UK Praha.
Monte Carlo metody 996-7 Josef Pelkán CGG MFF UK Praha pepca@cgg.mff.cun.cz http://cgg.mff.cun.cz/~pepca/ Monte Carlo 7 Josef Pelkán, http://cgg.ms.mff.cun.cz/~pepca / 44 Monte Carlo ntegrace Odhadovaný
VíceStatistická energetická analýza (SEA)
Hladna akustckého tlaku buzení harmonckou slou [db] Statstcká energetcká analýza (SA) V současné době exstue řada způsobů, ak řešt vbroakustcké problémy. odobně ako v ných odvětvích nženýrství, také ve
VíceDopravní plánování a modelování (11 DOPM )
Department of Appled Mathematcs Faculty of ransportaton Scences Czech echncal Unversty n Prague Dopravní plánování a modelování (11 DOPM ) Lekce 5: FSM: rp dstrbuton Prof. Ing. Ondře Přbyl, Ph.D. Ing.
Více9.12.2009. Metody analýzy rizika. Předběžné hodnocení rizika. Kontrolní seznam procesních rizik. Bezpečnostní posudek
9.2.29 Bezpečnost chemckých výrob N Petr Zámostný místnost: A-72a tel.: 4222 e-mal: petr.zamostny@vscht.cz Analýza rzka Vymezení pojmu rzko Metody analýzy rzka Prncp analýzy rzka Struktura rzka spojeného
VíceAnalýza nahraditelnosti aktivního systému úsekového měření rychlosti pasivním systémem P. Chmelař 1, L. Rejfek 1,2, M.
Ročník 03 Číslo II Analýza nahradtelnost aktvního systému úsekového měření rychlost pasvním systémem P. Chmelař, L. Refek,, M. Dobrovolný Katedra elektrotechnky, Fakulta elektrotechnky a nformatky, Unverzta
Více6. Demonstrační simulační projekt generátory vstupních proudů simulačního modelu
6. Demonstrační smulační projekt generátory vstupních proudů smulačního modelu Studjní cíl Na příkladu smulačního projektu představeného v mnulém bloku je dále lustrována metodka pro stanovování typů a
Vícen lokální působení různých vnějších faktorů ovlivňujících růst a zánik živých organismů n lokální variace vnitřních proměnných biologických systémů.
PROSTOROVÁ AUTOKORELACE V ANALYTICKÉ CHEMII JIŘÍ MILITKÝ, Katedra textlních materálů, Techncká unversta v Lberc, 46 7 Lberec MILAN MELOUN, Katedra analytcké cheme, Unversta Pardubce, Pardubce. Úvod Autokorelace
VíceSIMULACE A ŘÍZENÍ PNEUMATICKÉHO SERVOPOHONU POMOCÍ PROGRAMU MATLAB SIMULINK. Petr NOSKIEVIČ Petr JÁNIŠ
bstrakt SIMULCE ŘÍZENÍ PNEUMTICKÉHO SERVOPOHONU POMOCÍ PROGRMU MTL SIMULINK Petr NOSKIEVIČ Petr JÁNIŠ Katedra automatzační technky a řízení Fakulta stroní VŠ-TU Ostrava Příspěvek popsue sestavení matematckého
VíceOptimalizační přístup při plánování rekonstrukcí vodovodních řadů
Optmalzační přístup př plánování rekonstrukcí vodovodních řadů Ladslav Tuhovčák*, Pavel Dvořák**, Jaroslav Raclavský*, Pavel Vščor*, Pavel Valkovč* * Ústav vodního hospodářství obcí, Fakulta stavební VUT
VíceÚvod Terminologie Dělení Princip ID3 C4.5 CART Shrnutí. Obsah přednášky
Obsah přednášky. Úvod. Termnologe 3. Základní dělení 4. Prncp tvorby, prořezávání a použtí RS 5. Algortmus ID3 6. C4.5 7. CART 8. Shrnutí A L G O RI T M Y T E O R I E Stromové struktury a RS Obsah knhy
VíceMetody volby financování investičních projektů
7. meznárodní konference Fnanční řízení podnků a fnančních nsttucí Ostrava VŠB-T Ostrava konomcká fakulta katedra Fnancí 8. 9. září 00 Metody volby fnancování nvestčních projektů Dana Dluhošová Dagmar
VíceUniverzita Pardubice Fakulta ekonomicko-správní. Modelování predikce časových řad návštěvnosti web domény pomocí SVM Bc.
Unverzta Pardubce Fakulta ekonomcko-správní Modelování predkce časových řad návštěvnost web domény pomocí SVM Bc. Vlastml Flegl Dplomová práce 2011 Prohlašuj: Tuto prác jsem vypracoval samostatně. Veškeré
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ VĚTRACÍ SYSTÉMY OBYTNÝCH DOMŮ BAKALÁŘSKÁ PRÁCE FAKULTA STROJNÍHO INŽENÝRSTVÍ ENERGETICKÝ ÚSTAV
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ENERGETICKÝ ÚSTAV FACULTY OF MECHANICAL ENGINEERING ENERGY INSTITUTE VĚTRACÍ SYSTÉMY OBYTNÝCH DOMŮ VENTILATION
VíceStatistická šetření a zpracování dat.
Statstcká šetření a zpracování dat. Vyjadřovací prostředky ve statstce STATISTICKÉ TABULKY Typckým vyjadřovacím prostředkem statstky je číslo formalzovaným nástrojem číselného vyjádření je statstcká tabulka.
VíceZáklady finanční matematiky
Hodna 38 Strana 1/10 Gymnázum Budějovcká Voltelný předmět Ekonome - jednoletý BLOK ČÍSLO 6 Základy fnanční matematky ředpokládaný počet : 5 hodn oužtá lteratura : Frantšek Freberg Fnanční teore a fnancování
VíceNÁVRH MATEMATICKÉHO MODELU PRO OPTIMALIZACI VYTVÁŘENÍ SMĚSÍ SPALITELNÝCH ODPADŮ PRO SPALOVNY. PETR BYCZANSKI a a KAREL OBROUČKA b.
Chem. Lsty 101, 668 67 (007) Laboratorní přístroe a postupy NÁVRH MATEMATICKÉHO MODELU PRO OPTIMALIZACI VYTVÁŘENÍ SMĚSÍ SPALITELNÝCH ODPADŮ PRO SPALOVNY PETR BYCZANSKI a a KAREL OBROUČKA b a Ústav geonky
VíceImplementace bioplynové stanice do tepelné sítě
Energe z bomasy XVII, 13. 15. 9. 2015 Lednce, Česká republka Implementace boplynové stance do tepelné sítě Pavel MILČÁK 1, Jaroslav KONVIČKA 1, Markéta JASENSKÁ 1 1 VÍTKOVICE ÚAM a.s., Ruská 2887/101,
Vícevektor a vrátili jiný vektor. Měli-li jsme jistou pozorovatelnou A, dostali jsme jejím změřením
Operátor hustoty Popsueme-l vývo uzavřeného kvantového systému, vystačíme s většnou s pomem čstého stavu. Jedná se o vektor v Hlbertově prostoru H, který e danému kvantovému systému přdružen. Na daném
VíceSHIFT-SHARE ANALÝZA PRODUKTIVITY PRÁCE # Úvod
SHIFT-SHARE ANALÝZA PRODUKTIVITY PRÁCE # Frantšek Střeleček, Radek Zdeněk, Jana Lososová Úvod Vedle konkurenceschopnost podnků a ednotlvých odvětví národního hospodářství své významné místo zauímá konkurenceschopnost
VíceANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN
ANALÝZA VZTAHU DVOU SPOJITÝCH VELIČIN V dokumentu 7a_korelacn_a_regresn_analyza jsme řešl rozdíl mez korelační a regresní analýzou. Budeme se teď věnovat pouze lneárnímu vztahu dvou velčn, protože je nejjednodušší
VíceDigitální přenosové systémy a účastnické přípojky ADSL
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta elektrotechncká LABORATORNÍ ÚLOHA Č. 2 Dgtální přenosové systémy a účastncké přípojky ADSL Vypracoval: Jan HLÍDEK & Lukáš TULACH V rámc předmětu: Telekomunkační
VíceAgregace vzájemné spojování destabilizovaných částic ve větší celky, případně jejich adheze na povrchu jiných materiálů
Agregace - úvod 1 Agregace vzáemné spoování destablzovaných částc ve větší cely, případně ech adheze na povrchu ných materálů Částce mohou agregovat, poud vyazuí adhezní schopnost a poud e umožněno ech
VíceMetoda digitalizace starých glóbů respektující jejich kartografické vlastnosti a Virtuální mapová sbírka Chartae-Antiquae.cz
Metoda dgtalzace starých glóbů respektuící ech kartografcké vlastnost a Vrtuální mapová sbírka hartae-antquae.cz Mlan Talch, Klára Ambrožová, Flp Antoš, Ondře Böhm, Jan Havrlant, Lubomír Soukup XXXIV.
VíceNumerické metody optimalizace
Numercké metody optmalzace Numercal optmzaton methods Bc. Mloš Jurek Dplomová práce 2007 Abstrakt Abstrakt česky Optmalzační metody představují vyhledávání etrémů reálných funkcí jedné nebo více reálných
VíceVÝVOJ SOFTWARU NA PLÁNOVÁNÍ PŘESNOSTI PROSTOROVÝCH SÍTÍ PRECISPLANNER 3D. Martin Štroner 1
VÝVOJ SOFWARU NA PLÁNOVÁNÍ PŘESNOSI PROSOROVÝCH SÍÍ PRECISPLANNER 3D DEVELOPMEN OF HE MEASUREMEN ACCURACY PLANNING OF HE 3D GEODEIC NES PRECISPLANNER 3D Martn Štroner 1 Abstract A software for modellng
VíceKorelační energie. Celkovou elektronovou energii molekuly lze experimentálně určit ze vztahu. E vib. = E at. = 39,856, E d
Korelační energe Referenční stavy Energ molekul a atomů lze vyjádřt vzhledem k různým referenčním stavům. V kvantové mechance za referenční stav s nulovou energí bereme stav odpovídající nenteragujícím
VíceALGORITMUS SILOVÉ METODY
ALGORITMUS SILOVÉ METODY CONSISTENT DEFORMATION METHOD ALGORITHM Petr Frantík 1, Mchal Štafa, Tomáš Pal 3 Abstrakt Příspěvek se věnuje popsu algortmzace slové metody sloužící pro výpočet statcky neurčtých
Více1.2. Postup výpočtu. , [kwh/(m 3.a)] (6)
1. Stavebn energetcké vlastnost budov Energetcké chování budov v zním období se v současné době hodnotí buď s pomocí průměrného součntele prostupu tepla nebo s pomocí měrné potřeby tepla na vytápění. 1.1.
VíceHodnocení kvality sumarizátorů textů
Hodnocení kvalty sumarzátorů textů Josef Stenberger 1, Karel Ježek 1 1 Katedra nformatky a výpočetní technky, FAV, ZČU Západočeská Unverzta v Plzn, Unverztní, 306 14 Plzeň {jsten, jezek_ka}@kv.zcu.cz Abstrakt.
VíceVLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ
VLIV VELIKOSTI OBCE NA TRŽNÍ CENY RODINNÝCH DOMŮ Abstrakt Martn Cupal 1 Prncp tvorby tržní ceny nemovtost je sce založen na tržní nabídce a poptávce, avšak tento trh je značně nedokonalý. Nejvíce ovlvňuje
VíceSIMULACE. Numerické řešení obyčejných diferenciálních rovnic. Měřicí a řídicí technika magisterské studium FTOP - přednášky ZS 2009/10
SIMULACE numercké řešení dferencálních rovnc smulační program dentfkace modelu Numercké řešení obyčejných dferencálních rovnc krokové metody pro řešení lneárních dferencálních rovnc 1.řádu s počátečním
VíceMĚŘENÍ ELEKTRICKÝCH PARAMETRŮ V OBVODECH S PWM ŘÍZENÝMI ZDROJI NAPĚTÍ Electric Parameter Measurement in PWM Powered Circuits
Techncká 4, 66 07 Praha 6 MĚŘENÍ ELEKTRICKÝCH PARAMETRŮ V OBVODECH S PWM ŘÍZENÝMI ZDROJI NAPĚTÍ Electrc Parameter Measurement n PWM Powered Crcuts Martn Novák, Marek Čambál, Jaroslav Novák Abstrakt: V
VíceČVUT FEL. X16FIM Finanční Management. Semestrální projekt. Téma: Optimalizace zásobování teplem. Vypracoval: Marek Handl
ČVUT FEL X16FIM Fnanční Management Semestrální projekt Téma: Optmalzace zásobování teplem Vypracoval: Marek Handl Datum: květen 2008 Formulace úlohy Pro novou výstavbu 100 bytových jednotek je třeba zvolt
VíceKonverze kmitočtu Štěpán Matějka
1.Úvod teoretcký pops Konverze kmtočtu Štěpán Matějka Směšovač měnč kmtočtu je obvod, který přeměňuje vstupní sgnál s kmtočtem na výstupní sgnál o kmtočtu IF. Někdy bývá tento proces označován také jako
Více2 ÚVOD DO TEORIE PRAVDĚPODOBNOSTI. 2.1 Náhodný jev. π, které je třeba co nejpřesněji a nejúplněji vymezit, a k nimž je třeba výsledky pokusu a
ÚVOD DO TEORIE PRAVDĚPODOBNOSTI.1 Náhodný ev Tato kaptola uvádí souhrn základních pomů a postupů teore pravděpodobnost, které se uplatňuí př rozboru spolehlvost stavebních konstrukcí a systémů. Výklad
VíceROZHODOVÁNÍ VE FUZZY PROSTŘEDÍ
ACTA UNIVERSITATIS AGRICULTURAE ET SILVICULTURAE MENDELIANAE BRUNENSIS SBORNÍK MENDELOVY ZEMĚDĚLSKÉ A LESNICKÉ UNIVERZITY V BRNĚ Ročník LV 24 Číslo 6, 2007 ROZHODOVÁNÍ VE FUZZY PROSTŘEDÍ V. Konečný Došlo:
Více1. Úvod. Cílem teorie her je popsat situaci, která nás zajímá, jako hru. Klasickým případem
Kvaternon 2/204, 79 98 79 MATICOVÉ HRY V INŽENÝRSTVÍ JAROSLAV HRDINA a PETR VAŠÍK Abstrakt. Následuící text pokrývá eden z cyklů přednášek předmětu Aplkovaná algebra pro nženýry (0AA) na FSI VUT. Text
Více1. Sítě se vzájemnými vazbami
Obsah 1. Sítě se vzáemným vazbam... 2 1.1 Základní nformace... 2 1.2 Výstupy z učení... 2 1.3 Obecná charakterstka umělých neuronových sítí se vzáemným vazbam... 2 1.4 Hopfeldova síť... 3 1.4.1 Organzační
VíceVÝPOČET VELIKOSTNÍCH PARAMETRŮ KOMPOSTÁREN NA ZPEVNĚNÝCH PLOCHÁCH THE SIZE PARAMETER CALCULATION OF COMPOST PLANTS LOCALIZED ON COMPACTED AREAS
VÝPOČET VELIKOSTNÍCH PARAMETRŮ KOMPOSTÁREN NA ZPEVNĚNÝCH PLOCHÁCH THE SIZE PARAMETER CALCULATION OF COMPOST PLANTS LOCALIZED ON COMPACTED AREAS ALTMANN VLASTIMIL ), PLÍVA PETR 2) ) Česká zemědělská unverzta
VíceEvaluation of Interferograms Using a Fourier-Transform Method
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta stavební Katedra fzk Vhodnocování nterferogramů metodou Fourerov transformace Evaluaton of Interferograms Usng a Fourer-Transform Method dplomová práce Studní
VíceSCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE APLIKACE NEURONOVÝCH SÍTÍ PRO DETEKCI PORUCH SIGNÁLŮ
SCIENTIFIC PAPERS OF THE UNIVERSITY OF PARDUBICE Seres B The Jan Perner Transport Faculty 5 (1999) APLIKACE NEURONOVÝCH SÍTÍ PRO DETEKCI PORUCH SIGNÁLŮ Mchal MUSIL Katedra provozní spolehlvost, dagnostky
VíceTestování hypotéz. 1 Jednovýběrové testy. 90/2 odhad času
Testování hypotéz 1 Jednovýběrové testy 90/ odhad času V podmínkách naprostého odloučení má voák prokázat schopnost orientace v čase. Úkolem voáka e provést odhad časového intervalu 1 hodiny bez hodinek
VíceMĚRENÍ V ELEKTROTECHNICE
EAICKÉ OKHY ĚENÍ V ELEKOECHNICE. řesnost měření. Chyby analogových a číslcových měřcích přístrojů. Chyby nepřímých a opakovaných měření. rmární etalon napětí. Zdroje referenčních napětí. rmární etalon
VícePosuzování výkonnosti projektů a projektového řízení
Posuzování výkonnost projektů a projektového řízení Ing. Jarmla Ircngová Západočeská unverzta v Plzn, Fakulta ekonomcká, Katedra managementu, novací a projektů jrcngo@kp.zcu.cz Abstrakt V současnost je
VíceHUDEBNÍ EFEKT DISTORTION VYUŽÍVAJÍCÍ ZPRACOVÁNÍ PŘÍRŮSTKŮ SIGNÁLŮ ČASOVĚ
HUDEBÍ EFEKT DISTORTIO VYUŽÍVAJÍCÍ ZPRACOVÁÍ PŘÍRŮSTKŮ SIGÁLŮ ČASOVĚ VARIATÍM SYSTÉMEM Ing. Jaromír Mačák Ústav telekomunkací, FEKT VUT, Purkyňova 118, Brno Emal: xmacak04@stud.feec.vutbr.cz Hudební efekt
VíceCHYBY MĚŘENÍ. uvádíme ve tvaru x = x ± δ.
CHYBY MĚŘENÍ Úvod Představte s, že máte změřt délku válečku. Použjete posuvné měřítko a získáte určtou hodnotu. Pamětlv přísloví provedete ještě jedno měření. Ale ouha! Výsledek je jný. Co dělat? Měřt
VíceTeorie her a ekonomické rozhodování. 10. Rozhodování při jistotě, riziku a neurčitosti
Teore her a ekonomcké rozhodování 10. Rozhodování př stotě, rzku a neurčtost 10.1 Jednokrterální dskrétní model Jednokrterální model rozhodování: f a ) max a Aa, a,..., a ( 1 2 f krterální funkce (zsk,
Více4 Parametry jízdy kolejových vozidel
4 Parametry jízdy kolejových vozdel Př zkoumání jízdy železnčních vozdel zjšťujeme většnou tř základní charakterstcké parametry jejch pohybu. Těmto charakterstkam jsou: a) průběh rychlost vozdel - tachogram,
VíceLOGICKÉ OBVODY J I Ř Í K A L O U S E K
LOGICKÉ OBVODY J I Ř Í K A L O U S E K Ostrava 2006 Obsah předmětu 1. ČÍSELNÉ SOUSTAVY... 2 1.1. Číselné soustavy - úvod... 2 1.2. Rozdělení číselných soustav... 2 1.3. Polyadcké číselné soustavy... 2
VíceMODELOVÁNÍ A SIMULACE
MODELOVÁNÍ A SIMULACE základní pojmy a postupy vytváření matematckých modelů na základě blancí prncp numerckého řešení dferencálních rovnc základy práce se smulačním jazykem PSI Základní pojmy matematcký
VíceLineární a adaptivní zpracování dat. 8. Kumulační zvýrazňování signálů v šumu 2
Lneární a adaptvní zpracování dat 8. Kumulační zvýrazňování sgnálů v šumu 2 Danel Schwarz Investce do rozvoe vzdělávání Opakování Kumulační zpracování sgnálů co to e, k čemu to e? Prncp metody? Nutné podmínky
VíceOtto DVOŘÁK 1 NEJISTOTA STANOVENÍ TEPLOTY VZNÍCENÍ HOŘLAVÝCH PLYNŮ A PAR PARABOLICKOU METODOU PODLE ČSN EN 14522
Otto DVOŘÁK 1 NEJISTOTA STANOVENÍ TEPLOTY VZNÍCENÍ HOŘLAVÝCH PLYNŮ A PAR PARABOLICKOU METODOU PODLE ČSN EN 145 UNCERTAINTY OF DETEMINATION OF THE AUTO-IGNITION TEMPERATURE OF FLAMMABLE GASES OR VAPOURS
VícePOUŽITÍ METODY PERT PŘI ŘÍZENÍ PROJEKTŮ
5. Odborná konference doktorského studa s meznárodní účastí Brno 003 POUŽITÍ METODY PERT PŘI ŘÍZEÍ PROJEKTŮ A USAGE OF PERT METHOD I PROJECT MAAGEMET Vladslav Grycz 1 Abstract PERT Method and Graph theory
VíceIvana Linkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE. 2 NURBS reprezentace křivek
25. KONFERENCE O GEOMETRII A POČÍTAČOVÉ GRAFICE Ivana Lnkeová SPECIÁLNÍ PŘÍPADY NURBS REPREZENTACE Abstrakt Příspěvek prezentuje B-splne křvku a Coonsovu, Bézerovu a Fergusonovu kubku jako specální případy
VíceVÝZNAM TEORIE DUALITY V OPERAČNÍ ANALÝZE THEORY OF DUALITY IN OPERATIONAL ANALYSIS. ZÍSKAL Jan. Abstract
VÝZNAM EORIE DUALIY V OPERAČNÍ ANALÝZE HEORY OF DUALIY IN OPERAIONAL ANALYSIS ZÍSKAL Jan Abstract hs paper summarzes knowledge from lterature and results of research n dual theor at the Department of sstems
VíceMOŽNOSTI PREDIKCE DYNAMICKÉHO CHOVÁNÍ LOPAT OBĚŽNÝCH KOL KAPLANOVÝCH A DÉRIAZOVÝCH TURBÍN.
MOŽNOSTI PREDIKCE DYNAMICKÉHO CHOVÁNÍ LOPAT OBĚŽNÝCH KOL KAPLANOVÝCH A DÉRIAZOVÝCH TURBÍN. Mroslav VARNER, Vktor KANICKÝ, Vlastslav SALAJKA ČKD Blansko Strojírny, a. s. Anotace Uvádí se výsledky teoretckých
VíceVŠB - Technická univerzita Ostrava Fakulta elektrotechniky a informatiky Katedra aplikované matematiky. Diplomová práce. 2014 Michal Běloch
VŠB - Techncká unverzta Ostrava Fakulta elektrotechnky a nformatky Katedra aplkované matematky Dplomová práce 204 Mchal Běloch VŠB - Techncká unverzta Ostrava Fakulta elektrotechnky a nformatky Katedra
VíceMetody zvýšení rozlišovací obrazů
XXVI. ASR '21 Semnar, Instruments and Control, Ostrava, Aprl 26-27, 21 Paper 7 Metody zvýšení rozlšovací obrazů BRADÁČ, Frantšek Ing., Ústav výrobních strojů, systémů a robotky, Vysoké učení techncké v
VíceVOLBA HODNOTÍCÍCH KRITÉRIÍ VE VEŘEJNÝCH ZAKÁZKÁCH
VOLBA HODNOTÍCÍCH KRITÉRIÍ VE VEŘEJNÝCH ZAKÁZKÁCH THE CHOICE OF EVALUATION CRITERIA IN PUBLIC PROCUREMENT Martn Schmdt Masarykova unverzta, Ekonomcko-správní fakulta m.schmdt@emal.cz Abstrakt: Článek zkoumá
VíceANALÝZA PRODUKCE OLEJNIN ANALYSIS OF OIL SEED PRODUCTION. Lenka Šobrová
ANALÝZA PRODUKCE OLEJNIN ANALYSIS OF OIL SEED PRODUCTION Lenka Šobrová Anotace: Olejnny patří mez významné zemědělské plodny. Nejvýznamnější zástupc této skupny se však v jednotlvých částech světa lší,
VíceProcesy paralelně komunikujících gramatických systé mů
Procesy paralelně komunkuících gramatckých systé mů Pokroč lá témata z teoretckénformatky á věrečný proekt Autor: Ivan chwarz Abstrakt: Tato prá ce se zabý vá paralelně komunkuícím gramatcký m systé my
VíceŘešení radiační soustavy rovnic
Řešení radační soustavy rovnc 1996-2016 Josef Pelkán CGG MFF UK Praha pepca@cgg.mff.cun.cz http://cgg.mff.cun.cz/~pepca/ RadSoluton 2016 Josef Pelkán, http://cgg.ms.mff.cun.cz/~pepca 1 / 23 Soustava lneárních
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ SMĚRNICE Č. 55/2017 ZÁSADY STUDENTSKÉ GRANTOVÉ SOUTĚŽE NA PODPORU PROJEKTŮ SPECIFICKÉHO VYSOKOŠKOLSKÉHO VÝZKUMU NA VUT
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ Datum vydání: 1. 5. 2017 Účnnost: 1. 5. 2017 Odpovědnost: Odbor tvůrčí čnnost Rektorátu Závaznost: všechny součást VUT Vydává: rektor VUT Zrušuje: Směrnc rektora č. 5/2016
Více7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM
7. STATISTICKÝ SOUBOR S JEDNÍM ARGUMENTEM Průvodce studem Předchozí kaptoly byly věnovány pravděpodobnost a tomu, co s tímto pojmem souvsí. Nyní znalost z počtu pravděpodobnost aplkujeme ve statstce. Předpokládané
VíceANALÝZA RIZIKA A CITLIVOSTI JAKO SOUČÁST STUDIE PROVEDITELNOSTI 1. ČÁST
Abstrakt ANALÝZA ZKA A CTLOST JAKO SOUČÁST STUDE POVEDTELNOST 1. ČÁST Jří Marek Úspěšnost nvestce závsí na tom, jaké nejstoty ovlvní její předpokládaný žvotní cyklus. Pomocí managementu rzka a analýzy
VíceProces řízení rizik projektu
Proces řízení rzk projektu Rzka jevy a podmínky, které nejsou pod naší přímou kontrolou a ovlvňují cíl projektu odcylky, předvídatelná rzka, nepředvídatelná rzka, caotcké vlvy Proces řízení rzk sled aktvt,
VíceKapitálová struktura versus rating #
Kaptálová struktura versus ratng # (Dskuse k článku: Ksgen, Darren J.: Credt Ratngs and Captal Structure. Journal of Fnance, 006, roč. 61, č. 3, s. 1035-107.) Pavel Marnč * Darren J. Ksgen v článku Credt
VíceVykazování solventnosti pojišťoven
Vykazování solventnost pojšťoven Ing. Markéta Paulasová, Techncká unverzta v Lberc, Hospodářská fakulta marketa.paulasova@centrum.cz Abstrakt Pojšťovnctví je fnanční službou zabývající se přenosem rzk
VíceANALÝZA VLIVU DEMOGRAFICKÝCH FAKTORŮ NA SPOKOJENOST ZÁKAZNÍKŮ VE VYBRANÉ LÉKÁRNĚ S VYUŽITÍM LOGISTICKÉ REGRESE
ANALÝZA VLIVU DEMOGRAFICKÝCH FAKTORŮ NA SPOKOJENOST ZÁKAZNÍKŮ VE VYBRANÉ LÉKÁRNĚ S VYUŽITÍM LOGISTICKÉ REGRESE Jana Valečková 1 1 Vysoká škola báňská-techncká unverzta Ostrava, Ekonomcká fakulta, Sokolská
VíceMatematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 000/00 Michal Marvan 3. Matice lineárního zobrazení V této přednášce budeme používat indexy dvoího druhu:
Více9. Měření kinetiky dohasínání fluorescence ve frekvenční doméně
9. Měření knetky dohasínání fluorescence ve frekvenční doméně Gavolův experment (194) zdroj vzorek synchronní otáčení fázový posun detektor Měření dob žvota lumnscence Frekvenční doména - exctace harmoncky
VícePRAVDĚPODOBNOST A STATISTIKA. Testování hypotéz o rozdělení
PRAVDĚPODOBNOST A STATISTIKA Testování hypotéz o rozdělení Testování hypotéz o rozdělení Nechť X e náhodná proměnná, která má distribuční funkci F(x, ϑ). Předpokládeme, že neznáme tvar distribuční funkce
Více9. cvičení 4ST201. Obsah: Jednoduchá lineární regrese Vícenásobná lineární regrese Korelační analýza. Jednoduchá lineární regrese
cvčící 9. cvčení 4ST01 Obsah: Jednoduchá lneární regrese Vícenásobná lneární regrese Korelační analýza Vysoká škola ekonomcká 1 Jednoduchá lneární regrese Regresní analýza je statstcká metoda pro modelování
VíceŠroubové kompresory. Řada MSL 2,2-15 kw. Jednoduché a kompletní řešení pro Vaší potřebu stlačeného vzduchu
Šroubové kompresory Řada MSL 2,2-15 kw Jednoduché a kompletní řešení pro Vaší potřebu stlačeného vzduchu CHYTRÉ TECHNICKÉ ŘEŠENÍ Nžší náklady na údržbu a prodloužené servsní ntervaly Velce jednoduchá konstrukce
VíceKOMPLEXNÍ ČÍSLA. Algebraický tvar komplexního čísla
KOMPLEXNÍ ČÍSLA Příklad 1 Řešte na množně reálných čísel rovnc: x + = 0. x = Rovnce nemá v R řešení. Taková jednoduchá rovnce a nemá na množně reálných čísel žádné řešení! Co s tím? Zavedeme tzv. magnární
VíceBAYESŮV PRINCIP ZDENĚK PŮLPÁN
ROBUST 000, 7 4 c JČMF 00 BAYESŮV PRINCIP ZDENĚK PŮLPÁN Abstrakt. Poukážeme na možnost rozhodování pomocí Bayesova prncpu. Ten vychází z odhadu podmíněné pravděpodobnosta z předpokladu dsjunktního rozkladu
VíceFinanční matematika. Téma: Důchody. Současná hodnota anuity
Fnanční matematka Téma: Důchody Současná hodnota anuty Důchody Defnce: Důchodem se rozumí pravdelné platby ve stejné výš, tzv. anuty Pozor na nejednotnost termnologe Různé možnost rozdělení důchodů Členění
Více8a.Objektové metody viditelnosti. Robertsův algoritmus
8a. OBJEKOVÉ MEODY VIDIELNOSI Cíl Po prostudování této kaptoly budete znát metody vdtelnost 3D objektů na základě prostorových vlastností těchto objektů tvořt algortmy pro určování vdtelnost hran a stěn
VíceCvičení 13 Vícekriteriální hodnocení variant a vícekriteriální programování
Cvčení 3 Vícekrterální hodnocení varant a vícekrterální programování Vícekrterální rozhodování ) vícekrterální hodnocení varant konkrétní výčet, seznam varant ) vícekrterální programování varanty ve formě
Více